CT影像组学预测胰腺神经内分泌肿瘤的病理分级

徐珊珊，毛应凡，董国强，祝琼洁，汤盛楠，张怡帆，何 健

0 引 言

胰腺神经内分泌肿瘤(pancreatic neuroendocrine neoplasms, PNENs)发病率低，仅占所有胰腺肿瘤的1%～3%,但近年发病率和患病率呈上升趋势[1-2]。根据国际癌症研究机构-世界卫生组织(IARC-WHO)提出了神经内分泌肿瘤的通用分类框架，将PNENs分为分化好的胰腺神经内分泌瘤(pancreatic neuroendocrine tumors，PanNETs)和分化差的胰腺神经内分泌癌(pancreatic neuroendocrine carcinoma, PanNECs),根据有丝分裂数和Ki-67指数将PanNETs分为三级(G1、G2、G3)[3]。PNENs治疗方法的选择很大部分取决于肿瘤的病理分级，其中是否手术和手术方式的选择取决于肿瘤大小、位置和组织病理学分级[4]。目前大量的研究证明胰腺神经内分泌肿瘤的分级系统与其预后具有很大的相关性，G1、G2和G3 PanNETs的5年生存率分别为75%、62%和7%，因此术前准确预测PanNETs的分级对患者的临床治疗方案选择和后期预后评估具有重大意义[5]。CT影像检查是胰腺肿瘤定位、TNM分期和监测治疗反应的主要影像学手段，然而CT检查缺乏用于病理分级的影像征象[6]。目前内镜超声引导下细针抽吸(endoscopic ultrasound-guided fine needle aspiration，EUS-FNA)是术前获得PNEN的病理分级的较准确方法[7]。但是EUS-FNA是一种侵入性的有创方法，很多情况下穿刺抽吸获得的组织体积有限而且难以反映肿瘤的异质性，甚至是由于胰腺位置深度无法取到肿瘤组织[8]。影像组学是一个新兴的高通量提取医学图像特征的研究领域，通过提取、分析与预测目标相关的感兴趣区域的图像特征，与临床病理数据和影像征象结合，开发个性化的辅助临床决策的工具或预测临床终点事件的工具[9]。目前影像组学开始应用于胰腺病变的预后评估及良恶性肿瘤鉴别诊断，部分研究显示影像组学在预测胰腺神经内分泌肿瘤的病理分级方面具有潜在的前景[10]。本研究目的是构建基于CT检查的影像组学特征与临床病理数据、影像表现相结合的术前预测PanNETs病理学分级模型，为临床决策提供重要的参考意义。

1 资料与方法

1.1 临床资料回顾性收集从2017年1月至2020年5月间本院经病理证实的48例PanNETs患者，其中男23例，女25例，年龄28～79岁，平均年龄(53±12)岁。纳入标准：①术后病理证实为PanNET并有明确的组织学分级。②术前1个月内常规行CT增强扫描。③有完整的临床病理数据。排除标准：①手术前接受全身或局部的抗肿瘤治疗病史，例如手术、放疗、化疗。②CT图像部分数据丢失。③CT图像有明显伪影，影响了图像质量。

1.2 病理分析肿瘤标本均有2位具有丰富病理阅片经验的病理科医师进行4%甲醛固定、石蜡包埋，行常规切片处理和免疫组织化学染色，免疫组化检查按标准化方法进行。每个标本使用光学显微镜进行仔细检查，按照WHO2017年指南[11]进行详细评估，以确认PanNETs的组织学等级。根据有丝分裂数目(每10个高倍视野，HPF)和Ki-67指数分类，组织学等级被划分为PanNETs的G1至G3级，其中G1：<2个/10HPF,Ki-67指数从0%到2%;G2：3～20个/10HPF,Ki-67指数从3%到20%；G3: >20个/10HPF，Ki-67指数大于20%。病理结果记录：(A)G分级；(B)淋巴转移;(C)脉管侵犯;(D)神经侵犯。

1.3 研究方法

1.3.1 CT检查方法采用GE Light-speed 64排螺旋CT扫描仪，扫描参数：管电压120 kV, 管电流200～250 mAs,扫描层厚5 mm,层间距5 mm。CT检查前禁食8 h,患者均采用仰卧位进行扫描,范围:上至膈肌顶部,下至双肾下极。行平扫后,由高压注射器经肘正中静脉注射对比剂(欧乃派克)1.5 mL/kg,注射速率为3.5 mL/s,分别间隔30 s、60 s及180 s采集动脉期、静脉期及延迟期三期动态增强图像。

1.3.2 影像征象分析CT影像征象由2名具有丰富腹部影像诊断经验的放射科医师(具有10年以上经验)分析，经讨论得出一致诊断结果。在医院影像存档和通信系统(PACS)中调阅患者CT图像,分析患者图像特征[12]包括：①肿瘤位置：胰头颈(包括钩突)、胰体、胰尾或胰腺中的多个部位。②大小：以横断面测量的肿瘤最大径线表示,单位为cm。③平扫密度：低、等、高密度。④钙化：平扫时有无钙化。⑤质地；根据囊实性成分的比例, 将其分为实性为主型、囊实型、囊性为主型[13]。⑥边界：边界清楚(肿瘤边缘光滑)或边界不清(肿瘤边缘毛糙或浸润)。⑦增强方式：均匀和不均匀。⑧增强强度达峰值时期：测量增强各个时期病灶CT值，确定最大值时期。⑨胰管扩张：测量胰管最宽处，直径超过0.35 cm定义为胰管扩张。⑩胆管扩张：测量胰腺上缘胆总管最宽处，直径大于0.9 cm定义为扩张。血管侵犯：观察肝总动脉、脾动静脉、胃十二指肠动脉、肠系膜上动静脉和门静脉侵犯情况。侵犯标准是血管闭塞、狭窄或与肿瘤接触的周长超过一半[14]。周围器官侵犯:是否侵犯脾、十二指肠、胃。远处转移：出现肝、骨、肺或淋巴转移。

1.3.3 影像组学特征提取CT图像由2名具有丰富腹部影像诊断经验的放射科医师进行勾画，经讨论得出一致诊断结果。从医院影像存档和通信系统(PACS)获得了纳入患者的腹部增强CT的动脉期和静脉期DICOM图像，将所有CT原始图像进行归一化处理。本研究利用计算机自动分割算法在ITK-SNAP(开源软件,https://www.itksnap.org/)内对动脉期和静脉期的CT图像的胰腺感兴趣区域(region of interest, ROI)分别进行3维多层面自动分割，避开肿瘤周围的胰腺实质组织、十二指肠、血管,然后以手动方式对自动分割的图像进行逐层调整，最终多层面ROI自动融合成肿瘤的感兴趣容积 (volume of interest，VOI)。将分割完毕的图像导入PyRadiomics软件(开源软件，https://github.com/Radiomics/pyradiomics)中对ROI区域的强度标准化处理后提取影像组学特征，每位患者的CT图像动脉期和静脉期的肿瘤VOI获得影像组学特征，包括灰度直方图、形状特征(3D)和基于灰度共生矩阵、灰度大小区域矩阵、灰度游程长度矩阵，相邻灰度色调差异矩阵，灰度依赖矩阵的纹理特征。

2 结 果

2.1 临床和病理学检查情况本研究胰腺神经内分泌肿瘤患者均为手术病理确诊，其中接受胰十二指肠切除术者12例，胰腺远端切除术者25例，胰腺肿瘤切除者11例。48例PanNETs患者中，30例为G1级，15例为G2级，3例为G3级。30例G1级PanNETs中脉管侵犯1例，无淋巴转移、神经侵犯和肝转移；15例G2级PanNETs中淋巴转移2例，脉管侵犯5例，神经侵犯1例以及肝转移4例；3例G3级PanNETs中脉管侵犯2例，神经侵犯1例，肝转移1例和骨转移1例，无淋巴转移。G1级和G2/3级的PanNETs患者之间的Ki-67指数、肿瘤直径、脉管侵犯以及肝转移比较差异均有统计学意义 (P<0.05)，而年龄、性别、淋巴转移和神经侵犯差异均无统计学意义(P>0.05)。见表1。

表1 G1级和G2/3级PanNETs的临床和病理特征

2.2 CT增强检查评估PanNETs影像表现及模型构建48例患者中，30例G1级PanNETs患者中血管侵犯1例，周围器官侵犯3例，无远处转移；18例G2/3级PanNETs患者中血管侵犯7例，周围器官侵犯10例，远处转移6例。CT影像表现中肿瘤边界、增强方式、血管侵犯、周围器官侵犯和远处转移在不同病理分级差异均有统计学意义(P<0.05),其他征象中肿瘤位置、平扫密度、钙化、质地、增强强度峰值时相、胰管扩张、胆管扩张差异均无统计学意义(P>0.05)。见表2。

表2 G1级和G2/3级PanNETs患者的影像表现特征[n(%)]

CT增强图像的影像表现进行Logistic回归单因素分析结果显示：肿瘤边界、增强方式、血管侵犯以及周围器官侵犯在不同病理分级差异均有统计学意义(P<0.05)。对单因素分析有意义的影像征象进行多因素Logistic回归分析显示，肿瘤边界(OR=79.927,95%CI:3.037～2103.461;P=0.009)和周围器官侵犯(OR=19.001;95%CI:1.964～183.866;P=0.011)是PanNETs患者病理分级的预测因素并构建影像表现模型，见表3。

表3 G1级和G2/3级PanNETs的影像学表现的多因素Logistic回归分析

2.3 PanNETs的病理分级相关的影像组学预测模型构建CT增强图像动脉期和静脉期的肿瘤VOI共提取影像组学特征200个，将所有特征通过LASSO回归分析，筛选出12个影像组学特征，见图1。通过LASSO回归降维选择的12个影像组学特征中，其中5个来源于动脉期，分别为来自形状特征的最大2D直径(行)和球形度、来自灰度大小区域矩阵的大面积高灰度级强调和区域熵、来自灰度依赖矩阵(GLDM)的依赖差异；7个来源于静脉期，分别为来自一阶特征的最大值(Maximum)和偏度(Skewness)、来自灰度游程长度矩阵(GLRLM)的长期低灰度级强调、来自灰度大小区域矩阵(GLSZM)的大面积高灰度级强调和区域百分比、来自灰度依赖矩阵(GLDM)的依赖熵和小依赖性低灰度级强调。将筛选出的影像组学特征进行多因素Logistic回归分析，其中3个源于动脉期图像的形状特征中球形度、源于静脉期图像的灰度大小区域矩阵(GLSZM)的区域百分比和源于静脉期图像的灰度依赖矩阵(GLDM)的依赖熵成为具有特征性的预测参数并构建了影像组学模型，见表4。

a：最佳λ值筛选：在二项式方差最小获得最佳λ值；b：特征选择：以最佳λ值做垂直于横坐标轴的直线选出非零系数的特征图1 LASSO回归筛选PanNETs的病理分级相关的影像组学特征

表4 影像组学特征的多因素Logistic回归分析

2.4 影像表现模型、影像组学模型及综合模型的预测效能对比综合模型结合了影像组学特征、肿瘤边界和周围器官侵犯，具有更好的预测效能(AUC=0.938)，高于影像表现模型(AUC=0.892)和影像组学模型(AUC=0.901)。见表5，图2。

表5 多种模型的ROC曲线分析

图2 术前预测胰腺神经内分泌肿瘤的病理分级的多种模型的ROC曲线比较

3 讨 论

本研究建立了3种模型用于术前预测胰腺神经内分泌肿瘤的病理分级，分别为影像表现模型、影像组学模型和综合模型。模型效能ROC曲线分析结果显示综合模型具有最佳的预测分级效能(AUC=0.938),灵敏度和特异度分别为88.89%和 83.33%。

临床病理参数与肿瘤分级的相关性分析中，G1级和G2/3级的PanNETs患者之间的Ki-67指数、肿瘤直径、脉管侵犯以及肝转移差异有统计学意义，但这些临床病理参数均为术后病理得出的结果，均不能与影像组学特征结合构建术前模型用于预测病理分级。

CT影像表现特征与肿瘤病理分级的相关性分析中，单因素Logistic回归分析显示PanNETs的G1级和G2/3级的患者之间的肿瘤边界、增强方式、血管侵犯、周围器官侵犯和远处转移差异有统计学意义(P<0.05),有助于鉴别G1和G2/3级胰腺神经内分泌肿瘤[15]。经多因素Logistic回归分析，其中肿瘤边界和周围器官侵犯为预测PanNETs患者病理分级的因素并构建了影像表现模型。影像表现中肿瘤边界不清和侵犯周围器官，显示肿瘤术前预测其病理分级为G2/3的可能性更大。

目前已有一些研究利用影像组学来构建胰腺神经内分泌肿瘤的预测分级模型。Gu等[16]结合独立临床危险因素、肿瘤边缘和融合放射征象开发了综合诺莫图,对于病理分级具有很强的区分性并校正良好。Canellas等[17]融合CT门静脉期横轴面的纹理特征和影像学征象建立Logistic回归预测模型，由肿瘤直径、血管侵犯、胰管扩张、淋巴转移和纹理参数的熵组成，其预测G1和G2/3肿瘤的准确率较高。

本研究相对其上述研究的人工分割，采用计算机自动分割算法对动脉期和静脉期的VOI区域进行分割，由2位多年诊断影像医师进行核对，减少因人工分割带来的误差以及临床工作的复杂性，提高影像组学的重现性。采用国际通用的PyRadiomics的统一算法提取了胰腺神经内分泌肿瘤的动脉期和静脉期VOI的200个影像组学特征，将所有特征通过LASSO回归分析筛选出12个影像组学特征，经多因素分析结果得出3个具有特征性的预测参数并建立Logistic回归模型。影像组学模型融合了动脉期和静脉期的两个时期的影像组学特征，对肿瘤分级的预测效能为AUC是0.911，灵敏度和特异度分别为83.33%和86.67%。综合模型结合影像表现的肿瘤边界、周围器官侵犯和多因素分析有意义的影像组学特征，其预测效能优于影像表现模型和影像组学模型，显示综合模型具有更强的预测PanNETs病理分级的能力。通过将CT影像表现与影像组学特征相结合建立预测模型，可以为临床开发更佳的辅助决策工具，不同病理分级提示临床医师为患者提供个性化的精准医疗，减少因术前诊断信息不明确而导致的过度医疗或错误判断[18-20]。

本研究存在一些局限性。首先，这是一项单中心研究，选择偏倚不可避免。其次样本量有限，由于胰腺神经内分泌肿瘤属于发病率极低的胰腺肿瘤，未来需要更大样本量(纳入PNECs患者)的多中心研究来扩大患者队列，提供内部验证和外部验证，为临床应用带来更大支持。此外，术前临床其他因素如肿瘤生化指标等未纳入研究内分析。

综上所述，结合CT影像表现和动脉期与静脉期的影像组学特征建立的综合模型，具有优于影像表现模型和影像组学模型的预测能力，为术前无创性区分胰腺神经内分泌肿瘤的病理分级提供良好的临床辅助决策工具。